今天給各位老師分享一篇套路滿滿的生信分析文章，這篇文章的研究邏輯對時間不充裕的臨床醫(yī)生太實用了，沒時間也能連發(fā)多篇！文章研究的主要亮點之處在于構建了一個基于12種機器學習算法113種組合的集成程序，用于間質(zhì)性膀胱炎相關基因的重度抑郁癥診斷。除了機器學習這一妙用，作者還進行了其他常見分析內(nèi)容：PPI網(wǎng)絡、功能富集、免疫浸潤分析、藥物敏感性預測等。題目：一種集成機器學習框架，用于開發(fā)和驗證基于間質(zhì)性膀胱炎相關基因的重度抑郁癥診斷模型
英文名:An integrated machine learning framework for developing and validating a diagnostic model of major depressive disorder based on interstitial cystitis-related genes雜志：Journal of Affective Disorders研究背景：間質(zhì)性膀胱炎 （IC） 是一種病因不明的持續(xù)性疼痛疾病，對女性的影響尤為嚴重，沒有已知的治愈方法。根據(jù)先前的研究，抑郁癥似乎是 IC 患者中常見的合并癥。重度抑郁癥 （MDD） 是導致自殺率的主要原因。所以，在 IC 患者中及早發(fā)現(xiàn) MDD 至關重要，以便在臨床癥狀出現(xiàn)之前開始治療。目前還沒有 MDD 和 IC 之間敏感性和特異性強的生物標志物。在此，作者利用生物信息學和機器學習算法確定了 IC與 MDD 相關的關鍵標志物。
研究思路：
圖1
作者通過分析GEO數(shù)據(jù)集的轉錄組數(shù)據(jù)，包括MDD和IC患者的轉錄組數(shù)據(jù)，以開發(fā)和驗證作者構建的模型。去批次效應后，鑒定出各自疾病組和對照組之間的差異表達基因 （DEGs）。然后對條件的共享 DEG 進行功能富集分析。此外，通過ssGSEA進行免疫浸潤分析。通過探索12種機器學習算法的113種組合，在訓練集上進行10倍交叉驗證，然后在測試集上進行外部驗證，構建了MDD診斷模型。最后，利用“Enrichr”平臺識別出MDD的潛在藥物。研究結果：
1、 鑒定與 IC 和 MDD 相關的差異表達
鑒于MDD和IC之間的相互關系，對IC和MDD進行了limma 分析，以揭示IC相關MDD中的致病基因。在IC隊列中，確定了1531個 DEG，其中906個上調(diào)和625個下調(diào)。MDD組產(chǎn)生100個DEGs，其中33個上調(diào)，67個下調(diào)。IC和MDD之間 DEGs有21個。
圖2
2、IC相關MDD中涉及的致病基因的功能富集
通過GeneMANIA數(shù)據(jù)庫對候選基因進行PPI網(wǎng)絡分析，并使用GO、KEGG和DO進行功能分析，以確定潛在的作用機制。分析顯示，IC-MDD與機會性真菌病、腎衰竭、胰腺炎和腸道疾病顯著相關（圖 3）。
3、 IC 和 MDD 中的免疫細胞浸潤分析
對IC和MDD之間重疊的DEG的功能和通路分析揭示了與炎癥和免疫過程的顯著關聯(lián)。相對于對照樣品，IC樣品表現(xiàn)出1型輔助性T細胞、記憶B細胞、巨噬細胞、未成熟樹突狀細胞、γδ-T細胞、效應記憶CD8+T細胞和效應記憶CD4+T細胞的富集。箱線圖分布顯示MDD隊列中巨噬細胞、內(nèi)皮細胞和活化樹突狀細胞的比例升高，與對照組相比，效應記憶CD8+ T細胞的豐度降低。
圖4
4、通過機器學習識別具有診斷價值的樞紐基因，并開發(fā)IC相關MDD的診斷模型
通過12種機器學習算法的113種組合，在訓練集上進行10倍交叉驗證，建立了性能最佳的最終模型。Stepglm[both]算法鑒定出11個關鍵基因（ABCD2、ATP8B4、TNNT1、AKR1C3、SLC26A8、S100A12、PTX3、FAM3B、ITGA2B、OLFM4、BCL7A），而XGBoost算法過濾出最可靠的模型。模型展現(xiàn)出穩(wěn)健的校準性能，與整體隊列相比，模型在 60 歲以下患者亞組或男性中表現(xiàn)出更高的診斷性能。
圖5
作者將自己構建的MDD診斷模型于其他同類模型進行比較，作者的模型在訓練和測試隊列的 AUC 方面都表現(xiàn)出優(yōu)越的性能。
圖6
作者使用 Enrichr 上的 DSigDB 藥物數(shù)據(jù)庫分析模型基因，以確定潛在的靶向藥物。篩選了排名前 10 位的候選藥物，見下表:
文章到此結束，純分析發(fā)IF：4.9的文章，這篇文章如果再加一些下游機制驗證的數(shù)據(jù)，發(fā)的會更好。傲星生物深耕生信分析十余載，另有完善的下游驗證、機制研究服務，一對一專屬服務為您排憂解難，助您輕松應對畢業(yè)和晉升！
公眾號回復“20240813”領取原文PDF
